Cara Interpretasi Output Regresi dari Eviews Secara Keseluruhan

Gambar diatas menunjukkan contoh dari suatu regresi yang dilakukan menggunakan aplikasi Eviews 7. Pada contoh regresi ini, 8 variabel independen digunakan dalam regresi dengan 1 variabel dependen. Rumus awal regresi contoh ini adalah:

Regresi yang digunakan contoh ini adalah mengetes pengaruh ACP, DR, SIZE, CCC, ITO, APP, CR, and WCT terhadap ROA; yang mana adalah rasio-rasio keuangan.

Untuk membaca/menginterpretasi hasil suatu regresi, ada beberapa step yang harus dilakukan yaitu:

1. Melihat R-squared

R-quared berfungsi untuk menunjukkan seberapa besarkah sampel bisa merepresentasikan total populasi. Contoh, jika nilai R-squared adalah 0.43, maka bisa diartikan bahwa sampel bisa merepresantikan total populasi sebesar 43%. R-squared yang baik adalah lebih dari 50%, karena berarti sampel yang digunakan untuk regresi bisa merepresentasikan setidkanya setengah dari total populasi, dan mampu menjelaskan secara lebih relevan. Khusus untuk data panel (gabungan data cross-section dan time series), R-squared yang digunakan adalah Adjusted R-squared.

Bisa terlihat dari hasil awal regresi, bahwa terdapat nilai R-squared senilai 0.657615. Maka dapat diartikan bahwa sampel dalam regresi ini mampu merepresentasikan total populasi sebesar kurang lebih 66%. Dapat dikatakan bahwa sampel dapat secara baik merepresentasikan total populasi.

Jika jenis data yang dipakai adalah "Panel Data", maka dapan dilihat dari Adjusted R-squared, yang bernilai 0.596747. Maka bisa diartikan bahwa sampel dapat merepresentasikan total populasi sebesar kurang lebih 60%, dan masih tergolong sebagai sampel yang baik.

2. Melihat besarnya C (Coefficient)

Nilai C menunjukkan hubungan keseluruhan dari seluruh variabel independen terhadap variabel dependen. Ada dua hal utama yang perlu dilihat dari nilai C, yaitu pada 'Coefficient' nya dan pada 'Prob.' nya. 

Coefficient menunjukkan apakah hubungan secara keseluruhan dari variabel independen dan variabel dependen adalah hubungan positif/negatif. Jika nilainya adalah negatif, maka bisa diartikan bahwa hubungan antara variabel independen dan variabel dependen adalah hubungan negatif, dan juga berlaku sebaliknya. Contoh, jika coefficient bernilai -0.234, maka dapat diartikan bahwa variabel independen mempengaruhi variabel dependen secara negatif; juga berlaku sebaliknya.

Selain Coefficient, hal lain yang perlu diartikan adalah nilai Prob. Nilai Prob. (Probability/Probabilitas) berarti signifikiansi dari variabel independen terhadap variabel dependen. Signifikansi berarti variabel independen yang digunakan adalah variabel yang penting dalam mempengaruhi variabel dependen. Signifikansi dari model regresi bisa bervariasi dari 1%, 5%, dan 10%. Dalam arti, jika nilai Prob. berada dibawah 1%, 5%, atau 10%, maka bisa dikatakan signifikan. Namun jika diatas 10%, maka bisa dikatakan tidak signifikan. 

• Contoh, nilai Prob. adalah 0.0007. Nilai 0.00007 lebih kecil dr 10%, 5%, juga 1%. Maka variabel ini dikatakan signifikan dibawah tingkat signifikansi 1%. 
• Contoh lain, jika nilai Prob. adalah 0.034, nilainya lebih kecil dari 10% dan 5%, namun lebih besar dari 1%. Maka variabel ini dapat dikatakan signifikan dibawah tingkat signifikansi 5%.
• Contoh lain, jika nilai Prob. adalah 0.087, nilainya lebih kecil dari 10%, namun lebih besar dari 5% dan 1%. Maka bisa dikatakan variabel ini berpengaruh signifikan dibawah tingkat signifikansi 10%.
• Namun, jika nilai Prob. adalah 0.581, nilainya lebih besar dari 10%, 5%, dan 1%. Maka dapat dikatakan bahwa variabel tidak signifikan.

Pada gambar diatas, dapat diketahui bahwa C memiliki koefisien senilai -6.857695. Maka dapat diartikan bahwa secara keseluruhan, variabel independen mempengaruhi variabel dependen secara negatif. Selain itu, nilai Prob. adalah sebesar 0.0108. Nilai ini lebih kecil dari 10% dan 5%, namun lebih besar dari 1%. Maka dapat dikatakan bahwa secara keseluruhan, variabel-variabel independen berpengaruh secara negatif dan signifikan (dibawah 5%) terhadap variabel dependen.

3. Melihat pengaruh tiap variabel independen terhadap variabel dependen

Pada dasarnya, cara melihat pengaruh tiap variabel independen terhadap variabel dependen adalah sama persis dengan langkah kedua tadi, yaitu dengan melihat nilai 'Coefficient' dan nilai 'Prob."; namun diartikan satu persatu per variabel, tidak menyeluruh seperti langkah 2.

• ACP memiliki coefficient 0.273380 dan prob 0.0847. Maka ACP mempengaruhi ROA secara positif dan signifikan (dibawah 10%)
• DR memiliki coefficient -4.095058 dan prob 0.0000. Maka DR mempengaruhi ROA secara negatif dan signifikan (dibawah 1%)
• SIZE memiliki coefficient 0.707620 dan prob 0.0000. Maka SIZE mempengaruhi ROA secara positif dan signifikan (dibawah 1%)
• CCC memiliki coefficient -0.494881 dan prob 0.0013. Maka CCC mempengaruhi ROA secara negatif dan signifikan (dibawah 1%)
• ITO memiliki coefficient -0.612637 dan prob 0.0190. Maka ITO mempengaruhi ROA secara negatif dan signifikan (dibawah 5%)
• APP memiliki coefficient -0.092492 dan prob 0.4351. Maka APP mempengaruhi ROA secara negatif dan tidak signifikan
• CR memiliki coefficient 0.208692 dan prob 0.0622. Maka CR mempengaruhi ROA secara positif dan signifikan (dibawah 10%)
• WCT memiliki coefficient 0.661890 dan prob 0.0000. Maka WCT mempengaruhi ROA secara positif dan signifikan (dibawah 1%)

Begitulah, cara untuk menginterpretasikan output regresi dari aplikasi Eviews 7. Hal lain yang terkandung dalam output tersebut biasanya tidak terlalu ditonjolkan oleh banyak orang.

Sekian, terimakasih

By: Alex Bodem

Keyword: output regresi, eviews tutorial, interpretasi regresi, cara membaca regresi dari eviews, Eviews 7, Signifkan, Positif Negatif